
Si prefereixes veure el web sempre en català, fes clic aquí.
Si prefereixes veure el web sempre en català, fes clic aquí.
El procés de manteniment d’aerogeneradors que fem servir als nostres parcs eòlics és un bon exemple d’un sistema innovador basat en la digitalització. Es tracta d’un sistema d’ anàlisi predictiva basat en l’estudi de les vibracions dels equips que permet detectar errors fins i tot amb mesos d’antelació. Gràcies a aquest model és possible planificar les reparacions i evitar les indisponibilitats de les màquines, cosa que millora l’eficiència i redueix costos.
Com funciona aquest sistema de detecció de fallades? Fa només uns anys, la supervisió d’aerogeneradors depenia de campanyes d’endoscòpies i inspeccions visuals que tenien un cost molt elevat. El sistema nou, que ja hem incorporat en 1.400 equips, es basa en el machine learning, és a dir, en l’aprenentatge dels sistemes sobre el comportament de les màquines, que permet detectar i activar alarmes quan aquest comportament surt del que és habitual.
D’altra banda, gràcies a l’ Internet of things (IoT) és possible transmetre informació des de dispositius de dades ubicats als aerogeneradors fins a servidors allotjats en el núvol. L’últim element que compon el sistema és la generació sistemàtica del coneixement a partir de l’experiència analítica.
Una de les persones responsables d’aquest projecte, Miguel Colomo, Predictive Maintenance i Technical Support d’ Enel Green Power, destaca que el principal avantatge d’aquest model és el coneixement continu de la condició dels equips, que permet gestionar el moment òptim per a les reparacions i fer-les en èpoques de vent baix. “En el millor dels casos, detectem un símptoma que acostuma a causar dany a la màquina i intervenim abans que calgui reparar-la i tot. De vegades, el tipus de fallada només és detectable quan ja hi ha dany, però, com que és incipient, s’hi pot fer una petita reparació que evita que s’estengui el problema, la qual cosa redueix en gran mesura el cost. Finalment, fins i tot en el cas d’aquells errors que només es poden detectar quan estan relativament avançats, podem seguir l’evolució i estendre’n la vida al màxim possible sense que s’hi produeixi abans una aturada forçosa”, explica Colomo.
“De vegades, el tipus de fallada només es pot detectar quan ja hi ha dany, però, com que és incipient, s’hi pot fer una petita reparació que evita que s’hi estenguin els danys, la qual cosa redueix en gran mesura l’import.”
Miguel Colomo, Predictive Maintenance i Technical Support d’Enel Green Power
Aquest model que hem desenvolupat a Endesa ja té informació de 1.400 aerogeneradors, 600 dels quals del parc de generació renovable d’Endesa a Espanya i la resta d’instal·lacions d’Enel Green Power a Mèxic, Xile, Itàlia, Grècia i Romania, entre altres països. El projecte es va posar en marxa el 2014, quan un equip d'especialistes va començar a estudiar el potencial d’aquest tipus de sistemes, però no va ser fins al 2016 quan l’ anàlisi predictiva d’aerogeneradors va començar a aplicar-se de manera efectiva.
Aquest sistema d’anàlisi, que és extrapolable a qualsevol model d’aerogenerador, permet estalvis que oscil·len entre un 15% i un 95% del cost de les reparacions dels principals components al llarg de la vida de la turbina. L’estalvi que es pot obtenir en una sola detecció pot arribar a superar els 100.000 euros per màquina.
“Abans de posar en marxa el manteniment predictiu per vibracions, les reparacions tenien un abast més gran i els aerogeneradors quedaven indisponibles més temps. Un seguiment similar al que permeten les vibracions hauria suposat un cost vuit vegades superior amb el sistema anterior.”
– Miguel Colomo, Predictive Maintenance i Technical Support d’Enel Green Power
El personal expert que gestiona aquest sistema s’encarreguade monitorar l’estat dels equips i de fer diagnòstics experts mitjançant l’anàlisi de les dades de les vibracions. Però no només això, sinó que també busca contínuament noves oportunitats per millorar les capacitats de detecció del sistema i per trobar noves solucions que puguin aplicar-se en la indústria eòlica o fins i tot en altres àmbits.
Les noves tecnologies que anem coneixent i incorporant suposen una oportunitat per créixer en el nostre procés de digitalització. El coneixement i la innovació han d’anar de bracet perquè les tècniques relacionades amb el machine learning i l’automatització també puguin ser útils en altres àrees. El seu estudi és la clau per a futures aplicacions que continuaran millorant els nostres serveis.